Apprentissage Fédéré Robuste
L'apprentissage fédéré robuste étend l'apprentissage fédéré standard avec des règles d'agrégation tolérantes aux fautes byzantines qui protègent le modèle global contre les clients malveillants, corrompus ou peu fiables. Au lieu de faire une moyenne naïve des gradients des clients, les méthodes d'agrégation robustes telles que la médiane coordonnée par coordonnée ou Krum filtrent les mises à jour nuisibles afin qu'une minorité de participants adverses ne puisse pas faire dérailler l'entraînement.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent. Advances in Neural Information Processing Systems, 30. link ↗
- Yin, D., Chen, Y., Kannan, R., & Bartlett, P. (2018). Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates. Proceedings of the 35th International Conference on Machine Learning (ICML), PMLR 80:5650–5659. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Federated Learning (Byzantine-Tolerant Distributed Training). ScholarGate. https://scholargate.app/fr/machine-learning/robust-federated-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Apprentissage Fédéré BayésienApprentissage automatique↔ compare
- Apprentissage FédéréProtection de la vie privée↔ compare
- Apprentissage Fédéré en LigneApprentissage automatique↔ compare
- Gradient Boosting RobusteApprentissage automatique↔ compare
- Apprentissage fédéré semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →